AAAIFeb, 2024

基于平方神经族的精确、快速和表达强的泊松点过程

PDF
TL;DR通过将强度函数的参数化为一个两层神经网络的平方范数，引入了平方神经泊松点过程（SNEPPPs）。我们的方法在固定隐藏层且第二层只有一个神经元的情况下，类似于以前使用平方高斯过程或核方法的方法，但允许学习隐藏层可以提供额外的灵活性。在许多感兴趣的情况下，积分强度函数具有封闭形式，并且可以在隐藏神经元数量的二次时间内计算。我们列举了比以前讨论的更多这样的示例。我们的方法比平方或指数核方法或高斯过程的朴素实现更节省内存和时间。可以通过使用投影梯度下降解决（强）凸优化问题来获得强度函数最终层的重参数化的最大似然估计和最大后验估计。我们在真实和合成基准测试上演示了 SNEPPPs，并提供了一个软件实现。
squared neural poisson point processesintensity functionneural networkkernel methodsoptimization problem
发现论文，激发创造
  • 平方神经族：一种新的可计算密度模型类

    提出一种新的概率分布类别，称为平方神经族 (SNEFY)，通过计算神经网络的 2 - 范数来形成，并在基础度量方面进行归一化。 SNEFY 比传统指数家族更灵活，具有可追溯的边缘分布，能够广泛应用于密度估计和条件密度估计任务。

    May, 2023

  • 基于全神经网络的一般时间点过程模型

    本研究提出了基于递归神经网络 (RNN) 的新型时间点过程模型，能够以一种更为灵活的方式表示强度函数的时间变化，并能够精确地评估对数似然函数，使其能在综合和真实数据集上实现优越性能。

    May, 2019

  • 基于高斯过程的泊松过程强度学习的最优性

    本文提供了理论支持，证明了 Sigmoidal Gaussian Cox Process 方法在学习 $d$ 维区域内不均匀 Poisson 过程强度方面的有效性。我们展示了如何调整模型超参数的先验分布，以便程序自适应未知强度的平滑程度，并实现最佳收敛速率。

    Sep, 2014

  • 一种可微分点过程及其在脉冲神经网络中的应用

    本文介绍了一种用于训练具有隐藏神经元的脉冲神经网络（SNNs）的学习算法，探讨了一种基于路径梯度估计器的 SNNs 的替代梯度估计器，并开发了一种可微的点过程，用于导出替代梯度估计器。通过数值模拟，研究了梯度估计器的有效性。

    Jun, 2021

  • 基于高斯过程的可扩展非参数贝叶斯点过程推断

    本文提出了第一个使用高斯过程的非参数贝叶斯模型，在不用网格化域或引入潜在稀化点的情况下对泊松点过程进行推断。我们设计了 MCMC 采样器，并展示了我们的模型在合成数据和实际数据上比竞争模型更快，更准确且生成的样本更少相关性。最后，我们证明我们的模型容易处理先前未考虑的数据规模。

    Oct, 2014

  • 高斯神经过程

    本文对条件神经过程模型中用于训练的最大似然目标进行了严格分析，并提出了神经过程家族的新成员高斯神经过程模型，该模型可以模拟预测相关性，具备平移等变性，提供了通用逼近保证，并显示出良好的性能。

    Jan, 2021

  • 序贯神经过程

    本文提出了一种 Sequential Neural Processes (SNP) 的方法，它通过引入一个时间状态转移模型来扩展 Neural Processes (NP) 的建模能力，以处理动态随机过程。作者还使用 Temporal Generative Query Networks 将 SNP 应用于动态三维场景建模，实现了可以处理 3D 场景时间动态的 4D 模型，并在实验中验证了该方法在动态回归和 4D 场景推断与渲染中的性能。

    Jun, 2019

  • 变分神经时序点过程

    本文提出了一种变分神经时间点过程（VNTPP），通过引入推理和生成网络，训练深度神经网络中的潜变量分布以应对时间点过程的随机特性，并利用潜变量分布计算强度函数，从而更准确地预测事件类型和到达时间，实验证明该模型可以广义地表示各种事件类型，并在合成和实际数据集上表现优异。

    Feb, 2022

  • 一种高效的基于顺序神经后验估计的无似然贝叶斯推断方法

    SNPE-B 是一种用于模拟为基础模型的顺序神经后验估计技术，本文提出了改进的方法，包括使用自适应校准核的集中损失函数和方差降低技术，以提高数据效率并加快学习过程。实验结果表明，我们的方法在某些任务上表现优于原始方法和其他竞争方法。

    Nov, 2023

  • 深度生成点过程模型的 Wasserstein 学习

    本文提出了一种基于无强度的点过程建模方法，使用 Wasserstein 距离训练模型，以解决目前采用极大似然方法训练存在的多峰分布问题，在各种合成和真实数据上的实验证明了该方法的优越性。

    May, 2017